Rivisitare l’ascesa di A.I .: Quanto è arrivata l’intelligenza artificiale dal 2010?
Il 2010 non sembra molto tempo fa. Facebook era già un gigantesco e lungo leviatano; gli smartphone e l'iPad facevano parte della vita quotidiana delle persone; The Walking Dead è stato un grande successo per i televisori in tutta l'America; e gli artisti musicali più discussi erano artisti del calibro di Taylor Swift e Justin Bieber. Quindi, un po 'come la vita quando entriamo nel 2020, allora? Forse in qualche modo.
Un posto in cui le cose sono decisamente andate avanti e indietro, tuttavia, è sul fronte dell'intelligenza artificiale. Negli ultimi dieci anni, l'IA ha fatto alcuni enormi progressi, sia tecnicamente che nella coscienza pubblica, che lo segnano come uno dei più importanti periodi di dieci anni nella storia del campo. Quali sono stati i maggiori progressi? Divertente che dovresti chiedere; Ho appena scritto un elenco su esattamente quell'argomento.
IBM Watson trionfa a Jeopardy!
Per la maggior parte delle persone, poche cose dicono che "l'IA è qui", proprio come vedere un'intelligenza artificiale sconfiggere due campioni Jeopardy! giocatori in prima serata televisiva. Questo è esattamente ciò che è accaduto nel 2011, quando il computer Watson di IBM ha sconfitto Brad Rutter e Ken Jennings, i due concorrenti americani più redditizi di tutti i tempi al popolare quiz show.
È facile liquidare le manifestazioni pubbliche di intelligenza artificiale che attirano l'attenzione come più incentrate sugli spettacoli guidati dall'hype che su dimostrazioni serie e obiettive. Ciò che IBM aveva sviluppato era seriamente impressionante, però. A differenza di un gioco come gli scacchi, che presenta regole rigide e una tavola limitata, Jeopardy! è meno facilmente prevedibile. Le domande possono riguardare qualsiasi cosa e spesso comportano giochi di parole complessi, come i giochi di parole.
“Ero stato in classi AI e sapevo che il tipo di tecnologia che poteva battere un essere umano a Jeopardy! mancavano ancora decenni, ”mi disse Jennings mentre stavo scrivendo il mio libro Thinking Machines . "O almeno ho pensato che lo fosse." Alla fine del gioco, Jennings ha scritto una frase sulla sua bacheca e l'ha sollevata per le telecamere. Diceva: "Io per primo accolgo con favore i nostri nuovi signori robot."
Ecco che arrivano gli assistenti intelligenti
L'ottobre 2011 è più ampiamente ricordato dai fan di Apple come il mese in cui il co-fondatore e CEO dell'azienda Steve Jobs è deceduto all'età di 56 anni. Tuttavia, è stato anche il mese in cui Apple ha presentato il suo assistente AI Siri con l'iPhone 4s.
Il concetto di un'intelligenza artificiale con cui poter comunicare tramite parole pronunciate era stato sognato per decenni. L'ex CEO di Apple aveva, notevolmente, previsto un assistente in stile Siri negli anni '80 ; ottenere la data di Siri quasi fino al mese. Ma Siri era ancora un risultato notevole. È vero, la sua implementazione iniziale aveva alcune evidenti debolezze e Apple probabilmente non è mai riuscita a offrire un assistente intelligente impeccabile. Tuttavia, ha introdotto un nuovo tipo di tecnologia che è stata rapidamente lanciata su tutto, dall'assistente Google al Cortana di Microsoft al Bixby di Samsung.
Di tutti i giganti della tecnologia, Amazon ha probabilmente fatto di più per far avanzare l'assistente AI negli anni successivi . I suoi altoparlanti Echo basati su Alexa non hanno solo mostrato il potenziale di questi assistenti AI; hanno dimostrato di essere abbastanza avvincenti da esistere come hardware autonomo. Oggi, gli assistenti vocali sono così banali che a malapena si registrano. Dieci anni fa la maggior parte delle persone non ne aveva mai usato uno.
Il deep learning va in overdrive
Le reti neurali di apprendimento profondo non sono interamente un'invenzione degli anni 2010. La base delle attuali reti neurali artificiali risale a un articolo del 1943 dei ricercatori Warren McCulloch e Walter Pitts. Gran parte del lavoro teorico alla base delle reti neurali, come l'algoritmo di backpropagation rivoluzionario, è stato introdotto negli anni '80. Alcuni dei progressi che portano direttamente al deep learning moderno sono stati realizzati nei primi anni se gli anni 2000 con un lavoro come i progressi di Geoff Hinton nell'apprendimento senza supervisione.
Sono felice di annunciare che il mio laboratorio sta lavorando su AI + Climate Change. Il cambiamento climatico è uno dei problemi più urgenti dell'umanità e amp; la comunità tecnologica deve aiutare. Sto ancora esplorando altri progetti. Se vuoi aiutare, fammi sapere qui: https://t.co/GlauMT75TE #EarthDay
& Mdash; Andrew Ng (@AndrewYNg) 22 aprile 2019
Ma gli anni 2010 sono il decennio in cui la tecnologia è diventata mainstream. Nel 2010, i ricercatori George Dahl e Abdel-Rahman Mohamed hanno dimostrato che gli strumenti di riconoscimento vocale del deep learning potrebbero battere quelli che allora erano gli approcci del settore all'avanguardia. Successivamente, furono aperte le porte. Dal riconoscimento delle immagini (esempio: il famoso articolo di Jeff Dean e Andrew Ng sull'identificazione dei gatti ) alla traduzione automatica, è trascorsa appena una settimana quando al mondo non è stato ricordato quanto potesse essere potente l'apprendimento profondo.
Non è stata solo una buona campagna di pubbliche relazioni, il modo in cui un artista sconosciuto potrebbe finalmente inciampare in fama e fortuna dopo aver fatto lo stesso modo nell'oscurità per decenni. Gli anni 2010 sono il decennio in cui è esplosa la quantità di dati, rendendo possibile sfruttare l'apprendimento profondo in un modo che semplicemente non sarebbe stato possibile in nessun punto precedente della storia.
DeepMind ci fa impazzire
Di tutte le aziende che svolgono un fantastico lavoro di intelligenza artificiale, DeepMind merita di essere inclusa in questo elenco. Fondata nel settembre 2010, la maggior parte delle persone non aveva mai sentito parlare della società di deep learning DeepMind fino a quando non è stata acquistata da Google per quelli che nel gennaio 2014 sembravano un disastro di $ 500 milioni. DeepMind lo ha compensato negli anni.
Gran parte del lavoro più rivolto al pubblico di DeepMind ha riguardato lo sviluppo di AI di gioco, in grado di padroneggiare giochi per computer che vanno dai classici titoli Atari come Breakout e Space Invaders (con l'aiuto di alcuni utili algoritmi di apprendimento del rinforzo) a, più recentemente, i tentativi presso StarCraft II e Quake III Arena .
Dimostrando il principio fondamentale dell'apprendimento automatico, queste IA di gioco sono migliorate tanto più hanno giocato. Nel processo, sono stati in grado di elaborare nuove strategie che, in alcuni casi, anche i loro creatori umani non avevano familiarità. Tutto questo lavoro ha contribuito a preparare il terreno per il più grande successo di DeepMind di tutti …
Battere gli umani a Go
Come questo elenco ha già mostrato, non mancano gli esempi quando si tratta di AI che batte i giocatori umani in una varietà di giochi. Ma Go, un gioco da tavolo cinese in cui l'obiettivo è circondare più territori del tuo avversario, era diverso. A differenza di altri giochi in cui i giocatori potrebbero essere battuti semplicemente facendo sgranocchiare i numeri più velocemente di quanto siano capaci gli umani, in Go il numero totale di posizioni consentite sulla tavola è sbalorditivo: molto più del numero totale di atomi nell'universo. Ciò rende i tentativi di forza bruta di calcolare le risposte praticamente impossibili, anche utilizzando un supercomputer.
Tuttavia, DeepMind lo ha gestito. Nell'ottobre 2015, AlphaGo è diventato il primo programma Go per computer a battere un giocatore Go professionista umano senza handicap su una scheda 19 × 19 di dimensioni standard. L'anno successivo, 60 milioni di persone si sono sintonizzate per vedere il più grande giocatore Go del mondo, Lee Sedol, perdere contro AlphaGo. Alla fine della serie AlphaGo aveva battuto Sedol quattro partite a una.
Nel novembre 2019, Sedol ha annunciato le sue intenzioni di ritirarsi come giocatore professionista di Go. Ha citato l'IA come ragione: "Anche se divento il numero uno, esiste un'entità che non può essere sconfitta", ha detto . Immagina se Lebron James avesse annunciato che avrebbe smesso di giocare a basket perché un robot era più bravo a sparare ai cerchi che lo era. Questo è l'equivalente!
Auto che guidano se stesse
Nei primi anni del ventunesimo secolo, l'idea di un'auto autonoma sembrava non andare mai oltre la fantascienza. Nel libro del 2004 della New Division of Labour di MIT e Harvard, gli economisti di Frank Levy e Richard Murnane, guidare un veicolo è stato descritto come un compito troppo complesso per essere eseguito dalle macchine. "Eseguire una svolta a sinistra contro il traffico in arrivo comporta così tanti fattori che è difficile immaginare di scoprire l'insieme di regole che possono replicare il comportamento di un conducente", hanno scritto.
Nel 2010, Google ha presentato ufficialmente il suo programma di auto autonomo , ora chiamato Waymo. Nel decennio che seguì, dozzine di altre aziende (tra cui hit di tecnologia come Apple) hanno iniziato a sviluppare i propri veicoli a guida autonoma . Collettivamente queste auto hanno guidato migliaia di miglia su strade pubbliche; apparentemente si sta dimostrando meno soggetto a incidenti rispetto agli umani nel processo.
La piena autonomia a prova di errore è ancora un work-in-progress, ma questa è stata comunque una delle dimostrazioni più visibili dell'IA in azione durante gli anni 2010.
L'ascesa di reti contraddittorie generative
Il segreto sporco di gran parte dell'intelligenza artificiale di oggi è che i suoi algoritmi di base, le tecnologie che lo fanno spuntare, sono stati effettivamente sviluppati diversi decenni fa. Ciò che è cambiato è la potenza di elaborazione disponibile per eseguire questi algoritmi e l'enorme quantità di dati su cui devono allenarsi. Sentire parlare di un approccio completamente originale alla costruzione di strumenti di intelligenza artificiale è quindi sorprendentemente raro.
Le reti contraddittorie generative certamente si qualificano. Abbreviata spesso con i GAN, questa classe di sistema di apprendimento automatico è stata inventata da Ian Goodfellow e colleghi nel 2014. Non meno un'autorità che l'esperto di intelligenza artificiale Yann LeCun l' ha descritta come "l'idea più interessante dell'apprendimento automatico negli ultimi vent'anni".
Almeno concettualmente, la teoria alla base dei GAN è piuttosto semplice: prendere due reti neurali artificiali all'avanguardia e metterle l'una contro l'altra. Una rete crea qualcosa, come un'immagine generata. L'altra rete tenta quindi di capire quali immagini sono generate al computer e quali no. Nel tempo, il processo di contraddittorio generativo consente alla rete del "generatore" di diventare sufficientemente brava a creare immagini da poter ingannare con successo la rete del "discriminatore" ogni volta.
Il potere di Gener
ative Adversarial Networks è stato visto più ampiamente quando un collettivo di artisti li ha usati per creare originali "dipinti" sviluppati da AI . Il risultato è stato venduto per una quantità incredibilmente grande di denaro in un'asta di Christie's nel 2018.
